R数据科学-1（dplyr）

R数据科学（dplyr）

如今数据分析如火如荼，R与Python大行其道。你还在用Excel整理数据么，你还在用spss整理数据么。

数据分析的基础：Data Clean

数据清洗是数据处理的必备工作，而且往往需要花费大量时间去整理，去提取想要的数据，因为画图，报表都需要特定格式的数据。

EXCEL缺点：

· 数据粘贴复制，导致存在很多副本，更改都不知道原来数据有没有被改动

· 数据排序，计算，鼠标点击，容易误操作。

· 忘记保存，白费时间

· 效率低，时间长

现在，我们将学习对处理数据有用的两个软件包：

1. dplyr是用于简化表格数据操作的软件包。

2. tidyr使您可以在不同的数据格式之间快速转换。

两个软件包中的命令都可以与管道函数（％>％）很好地配合使用，这可以使代码更具可读性。详细内容可参考Cheatsheet手册。

image.png

image.png

1.数据框格式（DataFrame）

一般，我们的excel包括行（col）与列（row），在R语言中，经常对excel操作的对象称之为Dataframe，那么在进行数据查看时候，R语言可以看到数据结构。但是往往会打印出来很长，tidyr中的tibble就解决了此问题，直接简单的看到数据结构及变量类型。

class(mtcars)可以查看数据的类型，为"data.frame"；mtcars就可以看到全部的数据了。但是如果数据太多，那么就很不方便。

head(mtcars)，可以看到数据的前面6行，属于数据的一个预览。但是看不到各个列的属性。

%>%管道函数，其实就是将f（）写在了数据的后面，下面示例的两个操作，都得到df，效果一样。只不过 %>%看起来更简单，将mtcars赋予新的tibble。

df以后的输出，很简洁，能看到32*11的数据行与列，也能看到各列的属性。一目了然

2.数据-变量提取及产生

我们经常会用到，只需要里面的几个变量，不是所有的变量都输出。那么就涉及到变量的提取。就会用到select函数，可以提取需要的变量。有一个好处就是，不修改原是数据。

那如果新产生一个变量mpg1=mpg，或者new=mpg*cyl，就用到mutate函数，产生新变量。

3.数据-变量条件筛选

dplyr::filter()函数对上述新产生的变量的数据df，进行筛选。只要符合am=1给提取出来，或者对符合am=1，gear=4条件的输出。

5.数据分组计算

有时候，需要分组计算均值标准差，或者看gear不同水平下的最大值最小值，那么就用到group_by()与 summarise() 函数。
譬如，对不同gear计算mpg的均值及标准差。或者根据am及gear分组计算mpg均值标注差。

6.数据转换

有时候，处理数据时候，需要对变量类型进行转换，譬如字符串，因子及数值类型相互转换，上述数据里面dbl 意思是数值类型（double class）我们现在产生新的字符串chr及因子fct。使用mutate函数。可以看到mpg1与new都变成了chr与fct。

提取new，看一下。

有时候，会需要将连续性的变量，转换成分类变量。这时候就需要用到ifelse函数（转换成二分类变量），或者cut函数转换成多类别变量。代码如下